AI for definisjon av risiko for lungekreft i screeningprogrammer for computertomografi

Lungekreft utgjør 28 % av alle kreftdødsfall i Europa, med 70 % av pasientene diagnostisert i avanserte stadier og kun 21 % 5-års overlevelse. Til tross for røykingens årsakssammenheng med nesten 90 % av tilfellene, vedvarer den globale røykefrekvensen, noe som utgjør en langsiktig folkehelseutfordring. Vårt fokus ligger i å forbedre risikovurderingen av lungekreft ved å bruke blodbaserte biomarkører, spesielt sirkulerende mikroRNA (miRNA) og C-reaktivt protein. Biennale LDCT-screeninger og blodprøver som forutsier risiko for lungekreft har vist effektivitet, som sett i vårt banebrytende arbeid innen BioMILD-studien siden 2013.

BioMILD-studien, som omfatter 4119 frivillige, kombinerer LDCT- og mikroRNA-biomarkører, og viser gjennomførbarhet og sikkerhet over 4 år. Vår nåværende bestrebelse tar sikte på å utvikle en prediktiv modell for LDCT-detekterte høyrisiko-lungeknuter, som inkluderer blod-, funksjonelle og radiomikriske biomarkører. Ved å utnytte BioMILD-studiets biolager, bildedatabase og 20 pasientavledede xenografter (PDX-er), bruker vi avanserte verktøy for kunstig intelligens (AI) for omfattende analyse. Denne tilnærmingen, som involverer 400 personer med solide og subsolide LDCT-lungeknuter, inkludert 100 baseline-identifiserte kreftpasienter, er avgjørende.

Ved å kombinere blodbaserte biomarkører, radiologiske parametere, kliniske funksjoner og AI-verktøy, tar vi sikte på å lage en robust modell. Denne modellen vil bli validert ved å bruke et uavhengig sett med 100 forsøkspersoner (25 med og 75 uten lungekreft) fra den pågående SMILE-screeningstudien. Hvis det lykkes, er visjonen vår å implementere dette panelet prospektivt i kliniske sammenhenger der det viser seg gunstig. Vårt oppdrag er å redusere dødeligheten av lungekreft, optimalisere screeningsintervensjoner med nye, ikke-invasive verktøy for alle høyrisikopersoner, samtidig som kostnadene og strålingseksponeringsrelaterte skader minimeres.

Mål 1 Vurdering av en immunsignaturklassifikator (ISC) på prøver av perifert blod mononukleære celler (PBMC) samlet fra skjermdetekterte faste og subsolide LDCT-lungeknuter og integrasjon av ISC med eksisterende biomarkører som MSC-testen og c-Reactive Protein (cRP).

Mål 2 Evaluering av radiologiske trekk og andre LDCT-markører relatert til respiratoriske og kardiovaskulære lidelser.

Mål 3 Utvikling av en risikoklassifiserer ved bruk av AI-verktøy basert på kombinasjon av blodbiomarkører, avbildning og kliniske data for å forbedre LDCT-screeningssensitivitet og positiv prediktiv verdi.